多中心、多模态抑郁症脑影像信息模式识别方法与关键技术

Aiming at the neuroimaging characterization of depressive disorder, the current project seeks to develop multivariate pattern analysis (MVPA) methodologies and technologies in multi-center and multi-modal brain imaging studies, combined the predominance of University of Electronic Science and Technology of China in electronic information science and neuroimaging with the superiority of China Medical University in psychiatric diseases and clinical science. Research includes as following: (1) the establishment of a multi-center and multi-modal open-access behavioral and neuroimaging database for depressive disorder; (2) the development of sparse optimization-based MVPA methodologies with high specificity and sensitivity in featuring depressive disorder; (3) the development of multi-modal neuroimaging fusion methodologies and technologies to uncover the neural mechanisms underlying depressive disorder; (4) the construction of deep learning classification and predictive models built upon multi-center and multi-modal neuroimaging information to achieve the identification of depression subtypes and neuromarkers for clinical diagnosis, with an expected classification accuracy of over 90%; (5) the implementation of individual-level repetitive transcranial magnetic stimulation therapy strategies and predictive models for treatment effectiveness in depressive disorder based on the multi-modal neuroimaging data; therefore providing a multi-center and multi-modal brain mapping analysis platform for depressive disorder as well as the quantitative neuroimaging evidence for disease diagnosis and predictors of treatment effectiveness.

本项目利用电子科技大学在电子信息和脑成像领域的优势与中国医科大学在精神疾病和临床领域的优势，针对抑郁症脑影像学表征的临床科学问题，发展多中心、多模态的脑影像模式识别理论方法和关键技术。主要包括：（1）建立多中心抑郁症临床行为和多模态脑影像分析、共享数据库；（2）发展基于稀疏优化的模式识别方法，提高对抑郁症脑影像特异性和敏感性的识别能力；（3）建立抑郁症脑功能和结构影像融合的分析方法，揭示抑郁症的影像学神经机制；（4）建立多中心、多模态脑影像深度学习模式分类和模式识别预测模型，实现抑郁症亚型分类和关键影像标志的识别，抑郁症分类准确率达到90%，为临床诊断服务；（5）提出抑郁症患者个体化的经颅磁刺激干预治疗实验范式和治疗前后个体指纹多模态脑影像分析方法，建立抑郁症疗效预测模型，为临床治疗服务；开发多中心、多模态脑成像分析平台，为疾病诊断和疗效预测机制提供量化的影像学依据。

抑郁症在全世界患病率为4.4%，我国抑郁患者超过4000万人，影像学特征不明显，导致临床诊疗困难，是严重的社会问题。项目主要针对抑郁症影像学表征的临床科学问题，发展多中心、多模态的抑郁症脑影像分析方法和关键技术，发现抑郁症影像学表征的特异性和敏感性。成果包括：（1）设计了抑郁症情绪视听整合、自我参照加工和的rTMS刺激治疗实验范式，建立了1050例抑郁临床和脑影像数据库；（2）建立了脑功能自然图像解码模型和治疗纵向脑网络分析方法，实现了影像干预前后的定量化刻画和疗效评估；（3)提出了脑网络可达概率和逐步因果连接方法，建立了脑结构因果协变模型和脑功能时变动态网络分析方法，实现了脑功能活动随时间变化及脑网络演化的刻画；（4）建立了脑影像、认知和行为中介调节分析模型和多中心、多模态个体化脑功能和结构式识别预测模型，实现了利用脑影像连接组特征预测孤独症发育轨迹和临床亚型分类识别；（5）建立抑郁症多模态脑网络分析方法，发现单项抑郁和双相障碍患者的情绪、自我和负性偏差认知特异性的神经环路，两种疾病亚型在脑功能网络、脑白质网络和脑结构网络的特异性连接特征；（6）建立了抑郁患者脑网络模式识别预测模型，实现了抑郁症患者分类识别和临床量表的预测，准确率达到90%；（7）建立抑郁症行为的动物模型和抑郁症影像遗传模型，发现抑郁症相关基因的表达与形态学相似网络差异存在空间相关性，调控小胶质细胞表型和神经细胞可望成为治疗抑郁症的新措施。发展的方法和开发的软件已经在国内外30家科研机构和医院使用，为抑郁患者早期诊断、治疗及疗效评价提供客观依据。.本项目在Science Advances，Nature Communications，Cell Reports，IEEE Transactions on Medical Imaging, IEEE Transactions on Neural Networks and Learning Systems 和 Biological Psychiatry等国际学术刊物发表SCI论文79篇，发表的论文SCI引用965次。获得发明专利7项，获得软件著作权4项，培养硕士/博士30人，获得青年长江1人。